scripts-bash/convertPDF

123 lines
3.8 KiB
Plaintext
Raw Normal View History

2022-03-06 07:46:56 +01:00
#!/bin/bash
###############################################################################
#
# Script to recursively search a directory and batch convert all files of a given file type into another file
# type via HandBrake conversion.
#
# To run in your environment set the variables: hbcli - Path to your HandBrakeCLI
#
# source_dir - Starting directory for recursive search
#
# input_file_type - Input file type to search for
#
# output_file_type - Output file type to convert into
#
#
# Change log: 2012-01-08: Initial release. Tested on Mac OS X Lion.
#
###############################################################################
clear
fichierLog=convertPDF.log
echo -e "\n"
echo -e "==> Préparation de l'environnement...\n" | tee $fichierLog
date_en_cours=$(date +"%Y%m%d%H%M%S")
source_dir=$(pwd)
input_file_type=pdf
output_file_type="new.pdf"
declare -a mesFichiers
# Construction d'un tableau des noms de fichiers
i=0
find "$source_dir" -type f -iname "*.$input_file_type" > fichiersATraiter.lst
while read -e aLine
do
echo "[NFO] $aLine">>$fichierLog
if [ ${#aLine} -ge 2 ]; then
echo " a traiter.">>$fichierLog
mesFichiers[$i]=$aLine
i=$(($i+1))
fi
done < fichiersATraiter.lst
echo -e "\n"
echo -e "==> Traitement des PDF en cours...\n" | tee -a $fichierLog
# Parcours du tableau
nb_element=${#mesFichiers[*]}
echo -e "[NFO] Nombre de fichiers : $nb_element\n" | tee -a $fichierLog
for in_file in "${mesFichiers[@]}"
do # Liste tous les éléments du tableau.
echo -e " [NFO] Nom du fichier : \"$in_file\"\n" | tee -a $fichierLog
if [ ${#in_file} -ge 2 ]; then
echo -e "________________________________________________________________________________\n" | tee -a $fichierLog
echo -e " [NFO] Input \"$in_file\"\n" | tee -a $fichierLog
# Replace the file type
out_file=$(echo "$in_file"|sed "s/\(.*\.\)$input_file_type/\1$output_file_type/g")
out_file_txt=$(echo "$in_file"|sed "s/\(.*\.\)$input_file_type/\1txt/g")
echo -e " [NFO] Output \"$out_file\"\n" | tee -a $fichierLog
if [ "$in_file" != "$out_file" ]; then
echo -e " [NFO] Conversion (1re méthode) du PDF avec pdftocairo et convert \n" | tee -a $fichierLog
# explode to jpeg
echo -e " [NFO] PDFTOCAIRO : Création des fichiers JPG \"$in_file\"\n" | tee -a $fichierLog
pdftocairo "$in_file" -jpeg | tee -a $fichierLog
echo "" | echo -e " [NFO] PDFTOTEXT : Extraction du texte dans \"$out_file_txt\"\n" | tee -a $fichierLog
pdftotext "$in_file" "$out_file_txt" | tee -a $fichierLog
# OCR
echo -e " [NFO] TESSERACT : Détection par OCR des fichiers JPG \n" | tee -a $fichierLog
for i in *.jpg
do
echo -e "\n [NFO] TESSERACT : Fichier image \"$i\"\n" | tee -a $fichierLog
tesseract -l fra "$i" "$i.ocr" | tee -a $fichierLog
cat "$i.ocr.txt" >> "$out_file.ocr.txt"
rm "$i.ocr.txt"
done
# contact jpeg to pdf
echo -e " [NFO] CONVERT : Concatenation des JPG en PDF dans \"$out_file\" \n" | tee -a $fichierLog
convert -verbose *.jpg "$out_file" | tee -a $fichierLog
echo -e " [NFO] RM : Suppresison des JPG \n" | tee -a $fichierLog
rm -v *.jpg | tee -a $fichierLog
out_file=$(echo "$in_file"|sed "s/\(.*\.\)$input_file_type/\195_$output_file_type/g")
out_file_txt=$(echo "$in_file"|sed "s/\(.*\.\)$input_file_type/\1txt/g")
# echo "" | pdftocairo "$in_file" -jpeg -jpegopt quality=95 convert *.jpg "$out_file" rm *.jpg
echo -e " [NFO] GS : Conversion (2eme méthode) du PDF \n" | tee -a $fichierLog
gs -dBATCH -dNOPAUSE -q -sDEVICE=pdfwrite -dPDFSETTINGS=/ebook -sOutputFile="$out_file.pdf" "$in_file"
echo -e "==> Finished "$out_file "\n\n" | tee -a $fichierLog
fi
fi
done
echo -e "\n\n==== DONE CONVERTING FILES ====" | tee -a $fichierLog
exit 0